from apex import amp
# 定义网络和优化器
model = ...
optimizer = ...
# 将优化器转换为半精度
model, optimizer = amp.initialize(model, optimizer, opt_level="O2")
# 正常的训练循环
for inputs, labels in data_loader:
# 前向传播
outputs = model(inputs)
# 计算损失
loss = ...
# 反向传播和优化
optimizer.zero_grad()
with amp.scale_loss(loss, optimizer) as scaled_loss:
scaled_loss.backward()
optimizer.step()
其中只有一个opt_level需要用户自行配置:
O0:纯FP32训练,可以作为accuracy的baseline;
O1:混合精度训练(推荐使用),根据黑白名单自动决定使用FP16(对 Tensor Core 友好的操作, 如GEMM, 卷积)还是FP32(Softmax)进行计算。
O2:“几乎FP16”混合精度训练,不存在黑白名单,除了Batch norm,几乎都是用FP16计算。
O3:纯FP16训练,很不稳定,但是可以作为speed的baseline;
模型先放GPU
再用apex.initialize进行混合精度初始化
最后再并行化,顺序不能错